基于时序符号化的桥梁结构损伤状态分步识别方法

发布时间：2020-04-03 06:23

【摘要】：随着大型桥梁结构数目与日俱增,以及大型桥梁结构健康监测系统的广泛应用,桥梁结构健康监测时序数据呈现数据量巨大、种类多、增长快等显著的“大数据”特征。为了有效分析“桥梁结构大数据”,数据存储传输成本、计算效率和准确度等是目前桥梁结构健康数据分析亟待解决的关键问题。本文通过研究桥梁结构健康监测信息大数据特征,提出一种高效、灵活的基于时间序列分析的桥梁结构损伤状态分步识别方法框架。本文首先提出了基于训练集优化的桥梁结构损伤预警方法,通过对原始训练集使用聚类方法,在对原始训练集进行精炼的同时不损失其主要信息,提升训练集质量,减少训练集的规模,提升时序数据挖掘效率。使用精炼的训练集数据分析测试集中的数据,判断其分类,评估桥梁结构健康状态。之后通过对ASCE Benchmark结构数据集的实验证明了此方法的可行性与有效性。本文使用符号聚合近似方法表达原始时间序列并将其应用至桥梁结构健康监测中,提出了一种新的桥梁结构损伤识别方法。利用符号化聚合近似时序模型将原始桥梁结构数据分段聚合并符号化表示,相比离散小波变换和离散傅立叶变换等传统技术,SAX具有存储容量小、可将原始数据表示为不同粒度等显著优势。因此,在对桥梁监测数据进行压缩处理时可根据具体需求选择压缩比,结构数据处于健康状态时可采用低粒度数据模型实现高压缩比的数据表示,并传输到数据处理中心进行存储,而对损伤状态的数据采用高粒度数据模型更详细地表示监测数据,并存储在本地方便实时处理和分析,从而有效解决大数据环境下桥梁结构监测数据压缩问题。通过在ASCE Benchmark结构数据集上的良好表现,证明了该方法可有效提升桥梁结构损伤识别状态效率。最后本文整合了之前两种方法,提出了基于训练集优化与时序符号化的桥梁结构损伤状态分步识别方法,并通过在哈尔滨工业大学提供的实桥结构数据集进行实验验证该方法对桥梁结构监测数据分析的有效性,及其在工程应用中的可行性,并通过进一步的对比实验证明该框架较之传统结构损伤识别方法具有更高的效率和精度。
【图文】：

数据预处理

图 2.1 数据预处理Fig.2.1 Data Preprocessing数据清洗主要处理的是缺失值、异常值等问题，，筛选与挖掘主题无关的数据解决数据不一致的问题；数据集成是将不同数据源的数据集成到一个统一的数仓储中的过程，使得数据挖掘的工作更加方便；数据规约期望得到数据量较少但近似等效于原始数据集的新数据集，以提升时序数据挖掘效率；数据变换则将数据转化为适当的形式，从而适用于时间序列数据挖掘算法的需求。对于由桥梁结构健康监测系统直接采集到的时序数据，数据缺失、异常及声是不可避免的。对于缺失值，常用方法一般有两种：删除法、插补法。若缺数据占比极小，则可直接删除这些数据；若占比较大，对时间序列数据挖掘结有着较大的影响，则应选用插补法将缺失值补上。常用的插补法有均值/众数插补插值法插补等，如表 2.1 所示。而异常值可视为缺失值的一种，使用缺失值的处方法进行处理。

框架图,状态评估,桥梁结构,框架

庆大学硕士学位论文 2 基于时序符号化的桥梁结构状态分步识别方语义转换则是大多针对于某些字符型属性值，此类数据在数据挖掘过程中于计算机识别，且占用较多的计算机资源，因此可使用整型数据表示原始属的含义，以便于数据挖掘工作的进行。.4 基于时序符号化的桥梁结构损伤状态分步识别框架.4.1 基于时间序列分析传统桥梁结构损伤状态评估方法传统的基于时间序列分析的桥梁结构损伤状态识别方法多是基于统计模型 ARIMA 模型，ARMA 模型等，对桥梁结构健康监测时间序列的总体特征使计模型进行分析处理，结合相关机器学习方法评估桥梁结构状态。传统桥梁结构状态评估方法框架如图 2.2 所示。数据采集数据处理数据分析
【学位授予单位】：重庆大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：U446

【参考文献】